Peter Lynch Agent 教程：GARP 成长投资、PEG 估值与十倍股筛选

文档摘要

Peter Lynch Agent 教程：GARP 成长投资、PEG 估值与十倍股筛选难度：入门 Peter Lynch 是富达麦哲伦基金的传奇基金经理，以「投资你所了解的」和 GARP（Growth at a Reasonable Price，合理价格买成长）闻名。在本项目中，将 Lynch 的投资手册编码为五步加权评分 + LLM 叙事生成：看重营收/EPS 持续增长、PEG 是否合理、负债是否可控，并用新闻情绪与内部人交易作辅助验证。如果你想知道系统如何寻找「十倍股」候选，本篇是核心入门读物。本文你将学到 Lynch 的 GARP 哲学如何在代码中体现为 PEG 评分逻辑五步分析的权重分配（成长 30%、估值 25%……） Python 层信号阈值（≥7.

Peter Lynch Agent 教程：GARP 成长投资、PEG 估值与十倍股筛选

难度：入门

Peter Lynch 是富达麦哲伦基金的传奇基金经理，以「投资你所了解的」和 GARP（Growth at a Reasonable Price，合理价格买成长）闻名。在本项目中，peter_lynch_agent 将 Lynch 的投资手册编码为五步加权评分 + LLM 叙事生成：看重营收/EPS 持续增长、PEG 是否合理、负债是否可控，并用新闻情绪与内部人交易作辅助验证。如果你想知道系统如何寻找「十倍股」候选，本篇是核心入门读物。

本文你将学到

Lynch 的 GARP 哲学如何在代码中体现为 PEG 评分逻辑
peter_lynch_agent 五步分析的权重分配（成长 30%、估值 25%……）
Python 层信号阈值（≥7.5 bullish，≤4.5 bearish）与 LLM 二次裁决的关系
五个子函数 analyze_lynch_growth、analyze_lynch_valuation 等的评分细则
如何将 Lynch 信号与 Fisher、Druckenmiller 等成长派分析师交叉验证

投资原理 / 人设与关注点

Lynch 的投资哲学可以浓缩为六句话：

投资你所了解的：业务要简单、可理解，最好能在日常生活中观察到
GARP 核心：PEG = P/E ÷ 盈利增长率；PEG < 1 极具吸引力，1-2 合理，> 2 偏贵
寻找十倍股：营收和 EPS 持续增长的公司，有长期跑道
回避高负债：复杂杠杆结构是 Lynch 的雷区
故事与管理层：好故事但不能过度炒作
辅助信号：新闻情绪、内部人买卖作佐证，不作主决策

在本 Agent 中，人设关注点映射为五个评分维度：

维度	权重	核心指标
成长 Growth	30%	营收增长率、EPS 增长率
估值 Valuation	25%	P/E、PEG 比率
基本面 Fundamentals	20%	D/E、营业利润率、FCF
情绪 Sentiment	15%	新闻标题负面关键词占比
内部人 Insider	10%	买入/卖出笔数比

Lynch 愿意为中速成长付合理溢价，但绝不为「无成长的高 P/E」买单——这与 Cathie Wood 的颠覆式成长、Druckenmiller 的动量进攻形成微妙差异。对初学者而言，可以把 Lynch 想象成「逛超市挑水果」：先挑新鲜（成长），再看标价是否合理（PEG），最后确认没有烂斑（负债与负面新闻）。

执行逻辑（拉数→分析子步骤→信号映射→LLM→写回状态）

peter_lynch_agent(state, agent_id) 对每个 ticker 执行以下流水线：

第一步：拉数

search_line_items：年度数据 limit=5，字段含 revenue、EPS、net_income、operating_margin、FCF、total_debt、shareholders_equity 等
get_market_cap：计算近似 P/E 和 PEG
get_insider_trades：limit=50
get_company_news：limit=50

第二步：五路子分析


growth_analysis      = analyze_lynch_growth(financial_line_items)
fundamentals_analysis = analyze_lynch_fundamentals(financial_line_items)
valuation_analysis   = analyze_lynch_valuation(financial_line_items, market_cap)
sentiment_analysis   = analyze_sentiment(company_news)
insider_activity     = analyze_insider_activity(insider_trades)

第三步：加权求总分


total_score = (
    growth_analysis["score"]       * 0.30
    + valuation_analysis["score"]  * 0.25
    + fundamentals_analysis["score"] * 0.20
    + sentiment_analysis["score"]  * 0.15
    + insider_activity["score"]    * 0.10
)
# max_possible_score = 10.0

第四步：Python 层信号映射


if total_score >= 7.5:   signal = "bullish"
elif total_score <= 4.5: signal = "bearish"
else:                    signal = "neutral"

注意：Python 层先给出 signal，但 LLM 在 generate_lynch_output 中会综合全部 analysis_data 重新裁决，可能调整最终信号与置信度。

第五步：LLM 生成 Lynch 风格叙事

LLM 被要求以 Lynch 口吻引用 PEG、提及「十倍股」潜力、使用生活化语言（如「如果我孩子喜欢这个产品……」），输出 PeterLynchSignal。

第六步：写回状态

结果写入 state["data"]["analyst_signals"]["peter_lynch_agent"]，并生成 HumanMessage 供 LangGraph 下游节点消费。

关键源码逻辑（pseudocode/code from real agent; function names; scoring thresholds）

1. 成长分析 `analyze_lynch_growth`（原始分 0-6，缩放至 0-10）


# 营收增长（最新 vs 最旧）
rev_growth = (latest_rev - older_rev) / abs(older_rev)
if rev_growth > 0.25: raw_score += 3   # 强劲 >25%
elif rev_growth > 0.10: raw_score += 2
elif rev_growth > 0.02: raw_score += 1

# EPS 增长（同样逻辑，最高 +3）
final_score = min(10, (raw_score / 6) * 10)

2. 基本面 `analyze_lynch_fundamentals`（原始分 0-6，缩放至 0-10）


de_ratio = recent_debt / recent_equity
if de_ratio < 0.5:  raw_score += 2   # 低负债
elif de_ratio < 1.0: raw_score += 1

if operating_margin > 0.20: raw_score += 2
elif operating_margin > 0.10: raw_score += 1

if fcf > 0: raw_score += 2

3. 估值 `analyze_lynch_valuation`（原始分 0-5，缩放至 0-10）——GARP 核心


pe_ratio = market_cap / net_incomes[0]  # 近似 P/E

# EPS 年化复合增长率 CAGR
eps_growth_rate = (latest_eps / older_eps) ** (1/num_years) - 1

# PEG = P/E / (增长率 × 100)
peg_ratio = pe_ratio / (eps_growth_rate * 100)

# 评分
if pe_ratio < 15: raw_score += 2
elif pe_ratio < 25: raw_score += 1

if peg_ratio < 1:  raw_score += 3   # 极具吸引力
elif peg_ratio < 2: raw_score += 2
elif peg_ratio < 3: raw_score += 1

举例：P/E=20，EPS 增长率 25%（0.25）→ PEG = 20/25 = 0.8，加 3 分。

4. 情绪 `analyze_sentiment`


negative_keywords = ["lawsuit", "fraud", "negative", "downturn", ...]
if negative_count > 30% of news: score = 3
elif negative_count > 0:         score = 6
else:                            score = 8

5. 内部人 `analyze_insider_activity`


buy_ratio = buys / (buys + sells)
if buy_ratio > 0.7: score = 8   # 大量买入
elif buy_ratio > 0.4: score = 6
else: score = 4                  # 多数卖出

适合和谁搭配读

与 Phil Fisher Agent：Fisher 更重长期质量与 R&D，Lynch 更重 PEG 与「十倍股」速度；两者互补构成成长投资双引擎
与 Nassim Taleb Agent：Lynch 乐观看成长，塔勒布审计尾部风险；高 PEG 成长股应先过塔勒布脆弱性筛查
与 Stanley Druckenmiller Agent：Druck 加价格动量权重 35%，Lynch 几乎不看股价走势；Druck 可验证 Lynch 选股的市场时机
与 Warren Buffett Agent：Lynch 接受更高估值换取成长，Buffett 要求安全边际；同一标的两者信号分歧时值得深挖

小结

peter_lynch_agent 是系统中最接地气的成长派分析师：用 PEG 作为估值锚，用营收/EPS 趋势捕捉「十倍股」苗头，再用负债、FCF、新闻、内部人交易过滤明显陷阱。Python 层 ≥7.5 分即倾向 bullish，但最终信号由 LLM 以 Lynch 叙事风格综合裁决。实操建议：优先关注 valuation_analysis 中的 PEG 数值和 growth_analysis 中的增长率——这是 Lynch 的灵魂指标。

下一篇请阅读同目录下的《Phil Fisher Agent 教程：长期成长质量与 Scuttlebutt 基本面研究》。

Peter Lynch Agent 教程：GARP 成长投资、PEG 估值与十倍股筛选

文档摘要